54、基于并行统计与机器学习方法的身体负荷评估

基于并行统计与机器学习方法的身体负荷评估

1. 引言

随着可穿戴电子设备和物联网的发展，如今能够记录包括大脑（脑电图、功能磁共振成像等）和外周（心率、生物活动、体温等）在内的复杂生理信号。这些信号可在各种多模态人机交互过程中被记录和处理。然而，对这些生理信号进行定量表征和解读并非易事，吸引了医学、生物学、化学、电气工程、计算机科学等多个领域专家的关注。

本文旨在提出一种仅通过心率/心跳分析（无需像其他研究那样使用加速度计）来监测和预测当前身体负荷类型和水平的新方法。

2. 背景与相关工作

在人机交互的背景下，尤其是在医疗保健和老年护理应用中，准确评估实际身体负荷和疲劳程度至关重要。信息和通信技术的发展使得可穿戴传感器和执行器成为普通设备中的标配。近年来，基于多模态人机交互和机器学习方法，提出了多种疲劳评估方法。机器学习，特别是深度学习技术，在分析人类身体活动方面取得了有价值的成果。

过去几年中，人们通过分析心率，特别是测量RR间期或心率变异性，来测量身体负荷、压力和疲劳。但仅通过心率分析很难识别实际身体负荷的类型（如步行、跑步、滑雪、骑自行车等）和强度（如距离、时间、速度、功率等）。通常，需要结合心率监测器和其他可穿戴传感器（如加速度计、功率计等）来实现识别。此外，任何关于“压力”和“疲劳”的评估都应考虑到被研究人员的复杂物理化学和心理状态，特别是仅通过心率分析时。为此，人们使用了更复杂的可穿戴设备，如脑电图监测器和脑机接口。获得的数据通常可以用包含众多参数的复杂模型来解释。

3. 实验方法

本文提出的统计方法基于监测人类心脏行为，这可以通过现代智能手机、智能手表、健身追踪器或其他健身相关设备